Python与机器学习

首页 > 图书中心 > 教学用书 > 本科研究生 > 经济

Python与机器学习-刘恒源

Python与机器学习

丛书名：无
著（译）者：刘恒源
资源下载：
责任编辑：杨闯
字       数：400千字
开       本：16 开
印       张：19
出版版次：1
出版年份：2026-07-21
书       号：978-7-5642-4641-9/F.4641
纸书定价：78.00元   教师会员可用500积分申请样书

在线购买样书申请收藏

《Python与机器学习》是一部面向经济管理类学生与研究者的系统性入门教材，围绕数字化转型背景下经济分析方法的变革，构建从理论理解到工具运用、再到实际场景分析的完整学习路径。全书以Python语言为主要工具载体，以机器学习方法为分析框架，重点解决经管学习者在模型理解、编程实现与现实应用之间长期存在的脱节问题。书稿首先从Python在经济管理研究中的角色与优势入手，帮助读者建立对编程工具的整体认知，明确其在数据处理、模型估计与结果呈现中的功能定位。在基础内容部分，书中围绕经济数据的典型结构展开讲解，将Py

同系列产品more >

: 因果推断实用计量
邱嘉平
定价：86.00元
查看详情

: 报检与报关实务（第
李贺
定价：59.00元
查看详情

: 经济法（第三版）
周艳军
定价：56.00元
查看详情

: 供应链管理（第5版）
谢家平,梁玲,宋明珍,王文斌
定价：59.00元
查看详情

: 国际商法（第八版）（配
张圣翠
定价：56.00元
查看详情

图书分类全部图书

《Python与机器学习》是一部面向经济管理类学生与研究者的系统性入门教材，围绕数字化转型背景下经济分析方法的变革，构建从理论理解到工具运用、再到实际场景分析的完整学习路径。

全书以Python语言为主要工具载体，以机器学习方法为分析框架，重点解决经管学习者在模型理解、编程实现与现实应用之间长期存在的脱节问题。

书稿首先从Python在经济管理研究中的角色与优势入手，帮助读者建立对编程工具的整体认知，明确其在数据处理、模型估计与结果呈现中的功能定位。

在基础内容部分，书中围绕经济数据的典型结构展开讲解，将Python语法、数据结构与经管研究中常见的截面数据、时间序列和面板数据相结合，引导读者理解不同数据形态在程序中的表达方式。

数据读取、清洗与整理部分不仅展示具体操作方法，还同步解释缺失值处理、异常值识别等操作背后的统计逻辑，使工具学习始终与方法论相联系。

目录。
第一部分 Python与机器学习概述 1。
第一章 Python基础与数据处理 3。
1.1 Python编程基础 3。
1.1.1 变量与数据类型 3。
1.1.2 数据结构 3。
1.1.3 函数与控制流 5。
1.1.4 面向对象编程基础 6。
1.2 Pandas数据处理 7。
1.2.1 DataFrame：表格数据的核心结构 7。
1.2.2 数据读取与保存 8。
1.2.3 数据清洗与预处理 8。
1.2.4 数据筛选、分组与聚合 10。
1.2.5 数据可视化基础 11。
1.3 NumPy与Matplotlib在数据分析中的应用 12。
1.3.1 NumPy数组与数值运算 12。
1.3.2 Matplotlib 进阶可视化 13。
1.4 小结 14。
1.5 课后习题 15。
第二章机器学习基础概念 17。
2.1 机器学习在金融、市场营销、企业管理领域的应用 17。
2.2 传统统计方法与机器学习的对比 17。
2.3 机器学习基础 18。
2.3.1 机器学习术语 18。
2.3.2 监督和无监督学习 18。
2.3.3 过拟合和欠拟合 20。
2.3.4 损失函数 21。
2.3.5 数据集划分 25。
2.3.6 k折交叉验证 26。
2.3.7 超参数调优 26。
2.3.8 评估指标 27。
2.4 机器学习的基本流程 29。
2.4.1 数据收集与预处理 29。
2.4.2 模型选择与训练 30。
2.4.3 模型评估与优化 30。
2.5 课后习题 30。
第三章机器学习工具包 32。
3.1 Scikit-Learn：传统机器学习的瑞士军刀 32。
3.1.1 核心设计理念与API风格 32。
3.1.2 特征工程：从原始数据到有效特征 32。
3.2 TensorFlow 与 Keras ：深度学习的利器 34。
3.2.1 TensorFlow 与 Keras 的关系 34。
3.2.2 神经网络基础与Keras 模型构建 35。
3.3 Python机器学习生态系统 35。
3.3.1 数据获取与处理扩展 35。
3.3.2 专业领域工具 35。
3.3.3 工具选择建议 35。
3.4 小结 36。
3.5 课后习题 36。
第二部分机器学习核心算法 38。
第四章降维算法 40。
4.1 奇异值分解SVD 40。
4.2 主成分分析PCA 42。
4.2.1 协方差分解角度 42。
4.2.2 优化的角度 43。
4.3 T-SNE 44。
4.3.1 SNE基础 45。
4.3.2 t-SNE是如何工作的 46。
4.4 Python实战：金融客户信用特征压缩与可视化 47。
4.5 课后习题 48。
第五章聚类算法 50。
5.1 KMeans 50。
5.1.1 K-means的距离测度 51。
5.1.2 如何确定K-means的簇类个数 52。
5.2 DBSCAN 54。
5.3 层次聚类 55。
5.4 Python实战：信用卡欺诈检测问题的建模与分析 57。
5.5 课后习题 62。
第六章线性模型与正则化方法 64。
6.1 线性回归 64。
6.2 岭回归和L2正则化 66。
6.3 Lasso回归和L1正则化 67。
6.4 弹性网模型和混合正则化 68。
6.5 Python实战：房价预测问题的建模与分析 69。
6.6 课后习题 71。
第七章支持向量机 73。
7.1 SVM是如何工作的？ 73。
7.2 线性SVM 73。
7.3 核函数与非线性SVM 75。
7.4 软间隔 77。
7.5 损失函数视角下的SVM 79。
7.6 Python实战：企业财务状况预测 79。
7.7 课后习题 82。
第八章树模型与集成学习 84。
8.1 决策树 84。
8.1.1 理论基础 84。
8.1.2 划分过程 85。
8.1.3 过拟合问题 86。
8.2 集成学习基础 88。
8.2.1 Bagging 88。
8.2.2 Boosting 89。
8.2.3 两类方法的差异 89。
8.3 随机森林 90。
8.4 AdaBoost 91。
8.5 XGBoost 93。
8.6 Python实战：信用风险预测问题的建模与分析 95。
8.7 课后习题 102。
第三部分机器学习在金融与商业分析中的应用 104。
第九章机器学习在金融投资中的应用 106。
9.1 识别有效因子 106。
9.1.1 因子收益率的t检验 107。
9.1.2 因子IC值 107。
9.1.3 单调性检验 107。
9.1.4 因子共线性 108。
9.2 Python实战：量化选股建模与分析 109。
9.2.1 因子打分法 109。
9.2.2 线性模型 111。
9.2.3 机器学习与深度学习 111。
9.3 风险模型 117。
9.4 Python实战：资产组合优化建模与分析 118。
9.4.1 均值-方差优化MVO 118。
9.4.2 最小方差 119。
9.4.3 最大多样化 119。
9.5 课后习题 121。
第十章机器学习在风险管理中的应用 123。
10.1 上市公司财务舞弊风险识别痛点 123。
10.2 Python实战：财务舞弊风险识别问题的建模与分析 124。
10.3 企业破产预测痛点 129。
10.4 Python实战：企业破产预测问题的建模与分析 130。
10.5 课后习题 133。
第十一章机器学习在市场营销中的应用 134。
11.1 客户流失的业务影响与管理痛点 134。
11.2 Python实战：客户流失预测问题的建模与分析 135。
11.3 用户细分的业务价值与传统营销痛点 141。
11.4 Python实战：用户细分建模与分析 141。
11.5 课后习题 149。
第四部分深度学习方法与非结构化数据应用 150。
第十二章神经网络基础 152。
12.1 神经网络基本结构 152。
12.1.1 感知机 152。
12.1.2 多层感知机和前向传播 153。
12.1.3 激活函数 153。
12.2 神经网络的训练机制 155。
12.2.1 反向传播算法 155。
12.2.2 优化器：梯度下降算法 156。
12.3 过拟合与模型泛化 157。
12.3.1 正则化方法 157。
12.3.2 Dropout 158。
12.3.3 Batch Normalization 158。
12.4 神经网络训练的常见问题 159。
12.4.1 梯度消失与梯度爆炸 159。
12.4.2 学习率不当 159。
12.4.3 模型结构不合理 159。
12.5 Python实战：信用风险预测再探索 159。
12.6 课后习题 162。
第十三章深度学习与时间序列预测 164。
13.1 时间序列的基本概念 164。
13.2 时间序列预测任务 165。
13.2.1 单步预测 166。
13.2.2 多步预测 166。
13.3 深度时间序列预测模型 166。
13.3.1 RNN 167。
13.3.2 LSTM 167。
13.4 Python实战：原油价格预测问题的建模与分析 168。
13.5 课后习题 172。
第十四章自然语言处理（NLP）在经济与金融中的应用 174。
14.1 词袋模型 174。
14.1.1 词汇表设计 174。
14.1.2 One-Hot编码 176。
14.1.3 基于计数的词袋模型 176。
14.1.4 基于TF-IDF的词袋模型 176。
14.2 词嵌入 177。
14.2.1 Word2Vec 177。
14.2.2 GloVe 180。
14.2.3 BERT 180。
14.3 词向量的评价 181。
14.4 文本情绪分类 181。
14.4.1 基于词典的情绪判别 182。
14.4.2 基于机器学习的情绪判别 183。
14.4.3 Python实战：金融文本情感分类建模与分析 183。
14.5 课后习题 184。
第五部分前沿人工智能专题 186。
第十五章深度强化学习与量化交易 188。
15.1 强化学习概述和术语 188。
15.2 马尔可夫决策过程 189。
15.2.1 马尔可夫过程 189。
15.2.2 马尔可夫奖励过程 189。
15.2.3 马尔可夫决策过程 190。
15.3 强化学习算法 192。
15.3.1 基于价值的方法 193。
15.3.2 基于策略的方法 194。
15.4 Python实战：强化学习与量化交易 194。
15.4.1 强化学习的量化交易背景 195。
15.4.2 强化学习交易结果的评估 195。
15.5 课后习题 195。
第十六章生成式AI在投资决策与资产管理中的应用 197。
16.1 生成式人工智能的基本原理 197。
16.2 大语言模型与金融信息处理 199。
16.3 投资研究流程重构 201。
16.4 财经文本摘要、事件提取与情绪识别 204。
16.4.1 财经文本摘要 204。
16.4.2 事件提取 205。
16.4.3 情绪识别 206。
16.4.4 三类任务的联系与整合 206。
16.4.5 应用价值与现实约束 206。
16.5 生成式人工智能辅助的投顾与资产配置 207。
16.6 生成式人工智能与量化研究 209。
16.7 幻觉、偏见、数据安全与合规 211。
16.7.1 幻觉：流畅表达背后的事实风险 212。
16.7.2 偏见：训练数据与生成逻辑中的隐含倾向 212。
16.7.3 数据安全：便利性与敏感信息保护之间的张力 213。
16.7.4 合规：技术能力必须服从制度边界 214。
16.7.5 风险治理：从“能不能用”走向“如何安全地用” 214。
16.8 Python实战：基于大语言模型的投研文本摘要与关键信息抽取 215。
16.8.1 案例背景与任务目标 215。
16.8.2 投研文本数据的读取与预处理 215。
16.8.3 提示词设计与输出格式约束 216。
16.8.4 大语言模型调用与批量处理 217。
16.8.5 结构化结果生成与可视化分析 220。
16.8.6 模型局限性与风险讨论 222。
16.9 课后习题 222。
附录：习题参考答案与提示 228。